自动驾驶技术到底什么时候能成熟？

这无可避免地要消耗土地，现在的一线城市土地是什么价？上海平均超过一个亿/亩，如果我们能利用自动驾驶提高车辆利用率，停车场就可以少建，如果少停10万辆车，则省出来的停车场面积至少是1.6平方公里，价值2400亿元！道路资源也是一样，如果可以利用自动驾驶结合绿波带通行，将道路利用率提升一倍，则很多道路就可以重新规划，例如减少新建道路，或者旧的道路连同小区集中拆除，做整体改造，对于土地的节约是显而易见的。

　　成本同样是无法忽视的，一项先进的技术，其商业化之路，往往是伴随着成本的下降逐步展开的。今天，我们的大部分汽车上都安装有雷达，但当雷达最初投入实用，是在二战前夕，1936年英国人在索夫克海岸架起了第一个雷达站，之后在二战中，雷达技术在巨大的军事需求下得到飞速发展，从地基防空雷达扩展到舰载雷达，随后机载雷达也出现了，之后雷达才渐渐步入民用，二十年前雷达才开始应用于汽车，而77GHz毫米波雷达在汽车上的应用只是近几年的事，这里面固然有技术的因素，但成本无疑是决定性的，毕竟汽车是大众消费品，成本的因素无法忽视，对于自动驾驶同样如此，在成本没有降低到一定程度之前，在乘用车上的普及是不可能的。

　　| 不可忽视的技术因素

　　目前，几乎所有的自动驾驶测试车都是基于自主感知的模式，也就是利用多种不同种类的传感器对环境进行感知，但是，任何一种传感器都是有局限性的，而传感器融合并不是那么容易做到。例如，雷达探测到前方有强烈的回波并确认这是一个很大的障碍物，而摄像头却没有看到，这时该相信哪一种传感器的数据？而真实情况可能是前方有一个易拉罐，它放大了雷达的回波。

　　自动驾驶所需要的安全性如此之高，必须有多重冗余的感知手段，V2X在这里扮演了非常关键的角色，与摄像头或者雷达不同，V2X是一种精确感知手段，依靠802.11p或者5G通信，V2X可以在大得多范围内（室内300米，室外1000米）准确感知周围车辆的态势，包括其位置、车速、转向灯状态等，同时，通过与道路基础设施的通信，获得局部范围的精确地理信息；V2X使动态的车队组网成为可能，并且可以通过V2I，实现绿波带通行；V2X不会受到天气条件的影响，这一切是其它传感器难以企及的。可以说，V2X使自动驾驶的可靠性发生了质的飞跃。

　　但V2X是典型的依赖于标准的技术，这意味着其真正主导者只有一个：政府。目前，中国的V2X的标准还在制定中，LTE-V技术也才刚刚开始研究，距离实用化还有很长的路要走，这折射出政府决策的复杂性，这使得V2X部署时间很难预测，而局部封闭场所的V2X部署要容易得多，一家公司就可以在机场或者某个园区部署V2X，并且由于是封闭场所，不需要考虑互联互通，或者标准的问题，因此商业化实施的效率就很高。

　　V2X的价值依赖于它的普及率，如果公路上的车辆V2V的覆盖率不是100%，那它的意义就会大打折扣，V2I则需要基础设施方面的大量投入。目前自动驾驶研发方面，媒体的聚光灯对准的依然是车厂，但如果要让V2X达到全覆盖，政府的作用是不可替代的。和任何一项大规模的基础设施投资一样，V2I的部署不可能一开始就规划全覆盖，而是先从局部开始，因为这样的投资必须考虑商业回报。我们可以设想，政府可能会先在几条主干高速公路部署V2I，例如G2京沪高速，长三角城市带高速等，以提升道路利用率，获得更高的商业回报。

　　今天，自动驾驶的感知和决策环节的主流技术发展方向逐渐清晰，即基于深度学习与增强学习结合的机器学习，但机器学习需要大数据的驱动才能达到高性能和高可靠性。这意味着，开发者需要将自动驾驶设备先安装到大量的车辆上，让车辆在实际运行中才能产生所需要的数据量，结果就会陷入鸡生蛋还是蛋生鸡的问题：一开始自动驾驶的可靠性不好，无法出售大量设备；设备量不足导致数据量不够，又会制约性能的提升。如果最开始先在某些特定应用方面进行部署，则可以逐步积累数据，提升性能，为更大范围的自动驾驶应用做好准备。

　　谷歌自动驾驶从七年前开始测试，到现在也只跑了3百万公里，而特斯拉的Autopolit从15年10月启用以来的多半年内，已经积累了1.6亿公里以上的行驶里程；Uber更夸张，摩根士丹利曾在一份报告中称："Uber在24分钟内收集到的数据，就相当于谷歌自动驾驶汽车自诞生以来记录下的所有数据。"

这就是通过量产车积累数据的优势。说到底，基于数据驱动的技术必须在实践中才能完善，单个公司的测试规模有限，而且效率太低。在技术史上这样的例子不胜枚举，苹果在推出第一代iPhone的时候，上市后仅仅